Специалисты Лаборатории квантовой обработки информации Центра фотоники и квантовых материалов совместно с группой суперкомпьютерных вычислений Центра по научным и инженерным вычислительным технологиям (CDISE), разработавшей суперкомпьютер «Жорес», создали эмуляцию вычислений на квантовом процессоре Google.С самого начала эпохи численных вычислений наибольшую сложность для эмуляции представляли квантовые системы, хотя конкретные причины этого феномена остаются предметом исследований. Однако эта сложность, связанная с эмуляцией квантовой системы на классическом компьютере, сподвигла некоторых ученых изменить свои подходы.
В начале 1980-х гг. такие ученые, как Ричард Фейнман и Юрий Манин, выдвинули предположение, что те неизвестные компоненты, отсутствие которых затрудняет эмуляцию квантовой системы на классическом компьютере, могут в свою очередь быть использованы как вычислительный ресурс. Например, квантовый процессор будет отлично подходить для моделирования квантовых систем, поскольку его работа основывается на тех же принципах.
Эти ранние идеи подтолкнули Google и других технологических гигантов к созданию первых прототипов долгожданных квантовых процессоров. Существующие сегодня версии этих устройств подвержены ошибкам и могут выполнять только простейшие квантовые программы, при этом каждое вычисление должно повторяться несколько раз, чтобы путем усреднения исключались ошибки и формировались приближенные величины.
Одной из наиболее исследуемых областей применения современных квантовых процессоров является квантовый приближенный алгоритм оптимизации (QAOA). В ходе ряда впечатляющих экспериментов специалисты Google использовали свой квантовый процессор для оценки возможностей квантовых вычислений. Для этого была написана программа QAOA, использующая 23 кубита квантового процессора Google Sycamore и три временных шага по настройке параметров оптимизации.
По сути, QAOA представляет собой подход к решению задачи оптимизации функции многих переменных посредством аппроксимации на гибридной системе, состоящей из классического компьютера и квантового сопроцессора. В настоящее время прототипы квантовых процессоров, такие как Google Sycamore, обладают весьма ограниченным потенциалом, так как каждая операция вносит неточность из-за физических шумов в устройстве. Ожидается, что гибридные системы позволят преодолеть некоторые из этих систематических ограничений и в полной мере воспользоваться преимуществами квантовых компьютеров, что повышает привлекательность таких подходов, как QAOA.
Недавно ученые из Сколтеха сделали ряд открытий в отношении QAOA. Вы можете ознакомиться с подробной информацией о них здесь. Среди них особенно выделяется эффект, который принципиально ограничивает применимость QAOA. Согласно результатам, плотность переменных в задаче оптимизации, то есть соотношение соответствующих ограничений и переменных, является основным фактором, препятствующим получению приближенных решений. Чтобы преодолеть эти ограничения производительности, требуются дополнительные ресурсы, то есть дополнительные операции, выполняемые на квантовом сопроцессоре. Эти открытия были сделаны в теории с использованием численных экспериментов ограниченного объема. Ученые хотели проверить, возникал ли выявленный ранее эффект в недавнем исследовании Google.
Специалисты лаборатории квантовых алгоритмов Сколтеха обратились к группе суперкомпьютерных вычислений в центре CDISE, которую возглавляет Олег Панарин, с просьбой предоставить вычислительные мощности для эмуляции квантового чипа Google. Старший научный сотрудник Лаборатории квантовой обработки информации Игорь Захаров совместно с коллегами приступил к модернизации существующего программного обеспечения, что позволило бы выполнять на суперкомпьютере «Жорес» параллельные вычисления. Спустя несколько месяцев группа смогла создать эмуляцию, которая выводила данные с тем же статистическим распределением, что и у Google, и продемонстрировать диапазон реализации численных экспериментов с различной плотностью переменных, при которых производительность QAOA резко снижается. Они также обнаружили, что данные Google располагаются на границе этого диапазона, в его пределах текущий уровень развития квантовых компьютеров не позволяет получить какие-либо преимущества.
Сначала команда из Сколтеха определила, что дефициты достижимости (ограничения производительности, вызванные определенным значением плотности, то есть соотношением ограничений и переменных в задаче), наблюдались в отношении так называемой задачи максимального удовлетворения ограничений. В Google решали иную, но смежную задачу по функции минимизации энергии графа. Поскольку эти задачи относились к одному классу сложности, группа сделала предположение, что сами задачи, а следовательно, и эффекты могут быть взаимосвязаны. Это предположение оказалось верным. Были собраны данные, и результаты отчетливо продемонстрировали, что дефициты достижимости создают лавинный эффект и данные Google находятся на той тонкой грани, после которой потребуются более мощные и длинные цепи QAOA, которые не могут быть реализованы на квантовом процессоре Google Sycamore.
Олег Панарин, менеджер по информационным сервисам и обработке данных в Сколтехе, заявил: «Мы рады видеть, что наш компьютер позволил получить такие грандиозные результаты. Проект был сложным и занял много времени. И мы тесно сотрудничали с Лабораторией квантовой обработки информации по его реализации. Мы считаем, что этот проект станет основой для будущих исследований в этой области с использованием суперкомпьютера „Жорес"».
Игорь Захаров, старший научный сотрудник Сколтеха, добавил: «Мы взяли код ведущего автора данного исследования Акшайа Вишванатана и создали на его основе программу, выполняющуюся параллельно. Разумеется, мы были в восторге, когда наконец увидели данные с той же статистикой, что была у Google. В рамках этого проекта мы создали программный пакет, способный эмулировать различные современные квантовые процессоры — до 36 кубитов и дюжины слоев».
Акшай Вишванатан, аспирант Сколтеха, рассказывает: «В свое время преодолеть предел в несколько кубитов и слоев в QAOA было очень сложно. Разработанная нами программа эмуляции могла обрабатывать только упрощенные модели, и сначала я думал, что, хотя этот проект и являет собой увлекательную задачу, он может оказаться невыполнимым. К счастью, меня окружали оптимистичные и увлеченные своим делом коллеги, что мотивировало меня довести дело до конца и воспроизвести данные Google на суперкомпьютере в Сколтехе. Конечно, было очень волнительно, когда наши данные совпали с данными Google и мы получили то же статистическое распределение, что позволило обнаружить этот эффект».
